摘要目的 本研究提出了一种基于图注意力网络(graph attention network,GAT)与增强型灰狼优化算法(enhanced-grey wolf optimizer,EGWO)的多组学整合模型EGWO-GAT,实现对膀胱尿路上皮癌(bladder urothelial carcinoma,BLCA)肿瘤样本的分期预测.方法 基于在加州大学圣克鲁斯分校Xena功能基因组学探索器(University of California,Santa Cruz Xena,UCSC Xena)网站收集的404例癌症基因组图谱(The Cancer Genome Atlas,TCGA)BLCA样本,包含mRNA、DNA甲基化和微小RNA(microRNA,miRNA)数据,将3种组学数据分别进行预处理和差异分析之后得到其节点特征与边特征,以GAT为基础,引入EGWO进行超参数优化,采用多层感知机(multilayer perceptron,MLP)进行后续癌症分期预测.经5折交叉验证分析,将本研究创建的EGWO-GAT模型与多种经典机器学习分期模型的性能进行对比,并进行组学贡献分析和保留不同相似边条数的模型性能比较,采用准确率、精确率、召回率、F1分数及曲线下面积(area under the curve,AUC)作为性能评估的核心指标.结果 差异特征筛选结果显示,mRNA组学获得534个差异基因,DNA甲基化组学获得3 108个差异探针,miRNA组学获得114个差异miRNA.多模型对比结果表明,当整合所有组学数据类型且保留相似性排名前3的其他患者作为边时,EGWO-GAT模型性能最佳,其AUC值达到0.744,准确率达到0.711,精确率达到0.792,召回率达到0.782,F1分数达到0.785,其综合分类性能显著优于其余经典机器学习方法,且较GS-GAT模型在各项指标上均有明显提升.组学贡献分析显示,全组学(mRNA+DNA甲基化+miRNA)整合的性能显著优于其他6种组学组合方式.相似性边数性能比较结果表明,保留前3条相似边时模型的AUC、准确率、精确率及F1分数均高于保留前5条或7条边的情况,综合性能最优.结论 本研究构建的EGWO-GAT多组学整合模型在BLCA分期中性能优异,可为精准分期提供技术支撑,解决因样本异质性引发的临床分期难题,对辅助个体化治疗及改善患者预后意义重大.